cOOpD：将胸部 CT 上的 COPD 分类重构为基于对比表征的异常检测
图像与视频处理
2023-07-17 v1 计算机视觉与模式识别
摘要
异质性疾病的分类因其复杂性、症状与影像表现的变异性而具有挑战性。慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease, COPD）是一个典型例子，尽管它是第三大死亡原因，却常被漏诊。其在计算机断层扫描上的稀疏、弥散且异质的表现对监督式二分类提出了挑战。我们将 COPD 二分类重构为一项异常检测任务，提出 cOOpD：将异质性病理区域作为来自正常同质肺区域的分布外（Out-of-Distribution, OOD）样本进行检测。为此，我们采用自监督对比 pretext 模型学习未标记肺区域的表征，潜在地捕捉患病与健康未标记区域的特定特征。随后，一个生成模型学习健康表征的分布，并将异常（源于 COPD）识别为偏离。通过聚合区域 OOD 分数获得患者级分数。我们表明，cOOpD 在两个公开数据集上取得了最佳性能，与先前监督式最优（state-of-the-art）相比，AUROC 分别提升了 8.2% 和 7.7%。此外，cOOpD 产生了具有良好可解释性的空间异常图与患者级分数，我们证明这些在识别疾病早期进展个体方面具有附加价值。在人工设计的真实世界患病率设置中的实验进一步支持异常检测是解决 COPD 分类的一种有力方式。
引用
@article{arxiv.2307.07254,
title = {cOOpD: Reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations},
author = {Silvia D. Almeida and Carsten T. Lüth and Tobias Norajitra and Tassilo Wald and Marco Nolden and Paul F. Jaeger and Claus P. Heussel and Jürgen Biederer and Oliver Weinheimer and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2307.07254},
year = {2023}
}